极端天气下电网韧性评估与优化：从台风建模到遗传算法加固策略

简介：面向极端天气下电网安全稳定运行的实际需求，这套代码围绕韧性提升核心主题，为电力系统方向的研究生、科研人员及竞赛团队提供了一站式分析与建模工具。资源压缩包共收录148个文件，整体体积约240MB，其中140个CSV文件为逐年风速时序数据，覆盖较长时间范围，可用于极端事件场景筛选；8个Python脚本则负责数据预处理、指标计算、策略模拟与结果可视化等关键环节，便于用户根据自身算例修改参数并复现实验。目前已有136人学习浏览，具有较好的参考价值。借助这套代码，读者能够省去大量数据整理和底层编程时间，快速掌握从气候数据输入到电网韧性评估的完整流程，同时通过调整算法参数来测试不同韧性提升策略的效果，从而支撑论文写作、课题研究或工程方案设计。

1. 极端天气下的电网韧性提升：这套策略代码到底解决什么问题

台风登陆的夜里，某沿海配电网的调度大屏上跳闸信息一条接一条弹出，系统失负荷比例逼近40%，常规的N-1可靠性校核在这场灾害面前几乎失效。这类项目要回答的核心问题不是“设备跳了系统稳不稳”，而是“面对一场台风或冰灾，提前加固哪几条线路、在哪个节点配置多大储能，才能让重要负荷不间断、让恢复时间最短”。这套以韧性提升为核心的代码，把极端天气从“不可控的意外”变成可量化的输入：先建模灾害场景，再评估系统性能曲线，最后用优化算法给出投资预算下的最优加固与储能方案。适合正在做配电网防灾规划、韧性评估或电网韧性提升方向的开发者，是一套可以直接落地的策略研究框架。

2. 系统架构拆解：从灾害场景到韧性评估指标的完整链路

先扔结论：这套代码不是一个大而全的电网仿真平台，而是一个“灾害-故障-评估-优化”四段式的研究框架。前两段告诉你“在极端天气下系统会坏成什么样”，后两段回答“花多少钱、加固哪里才能把损失压到最低”。整个项目的核心数据流是一条单向管道，任何一段都可以被替换成你自己的模型或者真实电网数据。

2.1 目录结构：五个模块与数据流向

拿到源码后先不要急着跑入口脚本，把目录结构过一遍，知道每个文件是干什么的，后面改起来才不慌。项目顶层分为五个功能域：

GridResilience/ ├── data/ # 输入数据 │ ├── bus_30node.csv # 30节点系统母线数据 │ ├── line_30node.csv # 线路阻抗、容量与修复时间 │ ├── typhoon_track_2023.csv # 台风路径序列 │ └── load_profile.csv # 负荷节点时序曲线 ├── models/ # 领域模型层 │ ├── power_network.py # 电网拓扑封装 │ ├── typhoon_model.py # 台风风场模型 │ └── fragility.py # 元件脆弱性曲线 ├── simulation/ # 仿真层 │ ├── monte_carlo.py # 时序蒙特卡洛故障采样 │ └── performance_curve.py # 性能曲线生成与指标计算 ├── optimization/ # 策略优化层 │ ├── genetic_algorithm.py # 遗传算法主循环 │ └── strategy_pool.py # 加固、储能、孤岛策略参数池 ├── visualization/ # 结果可视化 │ ├── resilience_curve.py # 韧性曲线与韧性三角形绘制 │ └── grid_map.py # 电网单线图叠加风速场 └── main.py # 一键运行入口

数据目录是项目的输入闸口，理论上所有外部数据都从这里进。models层是领域黑匣子，它把台风中心参数换算成风场、把风场折算成线路故障概率，这两步是整个模拟可信度的根基。simulation层跑的是随机性，通过大量采样把随机故障场景聚合成一条稳定的期望性能曲线。optimization层在期望曲线的基础上做策略搜索，输出结果直接落到“哪条线要加固、储能装多大”这种工程语言。

为什么台风模型和脆弱性曲线要拆成两个文件而不是合成一个？因为两个模型的替换频率不同：你可能想换灾害类型、换成冰灾或暴雨，但脆弱性曲线的物理形态不一定变；反过来，你想换线路参数时也只需要碰脆弱性曲线。拆开能最小化改动面。我见过不少项目把这两块写进一个类里，最后换灾害模型时把脆弱性曲线逻辑也跟着牵连了。

2.2 核心数据流：台风路径如何一步步变成性能曲线

整个流程可以概括为：台风路径数据先被风场模型插值成全网风速分布，再经脆弱性曲线换算成每条线路的故障概率，蒙特卡洛采样生成故障时刻与恢复时刻，最后逐时刻统计系统可用供电比例，得到P(t)曲线。这条曲线是后续所有策略优化的共同输入。

实际工作中我会把数据流拆成四个阶段，每一阶段都有独立校验点：

• 阶段一：风速场生成。读取台风路径序列后，线性插值得到评估时段内每个小时的台风中心坐标、最大风速和气压参数，再调用风场模型计算每个节点或线路走廊处的风速。校验点是“网格点最大风速接近输入的最大风速值，且出现在最大风速半径附近”。
• 阶段二：故障概率定标。将线路设计风速折算为脆弱性曲线的临界参数，得到每个元件在该风速下的故障概率。校验点是“设计风速对应的故障概率应显著低于破坏风速对应的值”。
• 阶段三：故障场景采样。对每条线路做一次随机试验，采样故障时刻与修复时长，拼成一个完整的故障-恢复时间轴。校验点是“平均故障线路数与历史灾害统计数量级一致”。
• 阶段四：系统响应聚合。沿时间轴逐时刻做连通性分析，计算可用负荷比例，生成期望性能曲线并提取韧性指标。校验点是“曲线初值等于灾害未到达时的系统容量”。

以阶段一举例，找一个已知台风案例做验证：取最大风速半径30公里、最大风速45米每秒，风场计算完后打印距离台风中心30公里处的风速，应接近45米每秒；距离200公里处应衰减到15米每秒以下。不符合就回头查气压指数参数。

2.3 韧性评估指标：系统性能曲线与三个量化维度

韧性评估的输入是系统性能曲线P(t)，它是“灾害到达前、灾害冲击中、恢复过程中”三个时段系统可用容量的轨迹。原始曲线长什么样直接决定读代码的人怎么理解“韧性”。项目里用三个指标做量化，代码里对应三个独立函数：

• 吸收韧性R_abs：灾害期间系统性能的最低点与基线值的比值，衡量系统在冲击下撑住的能力。
• 恢复韧性R_rec：从性能最低点恢复到90%基线所需时间的倒数，衡量恢复速度。
• 综合韧性指数R_int：P(t)曲线在灾害时段内的面积积分与理想无灾面积之比，用一把尺子同时衡量抗灾与恢复。

我第一次跑通这个项目时印象最深的是：如果只输出一条平均曲线，很难判断一个加固方案的改进到底来自抗灾能力还是恢复能力。所以代码里把三个指标分开算，策略优化时用R_int作为总目标，分析结果时再单独看前两个指标，这样能定位策略的真实作用路径。比如R_abs从0.58升到0.76，说明加固让最低供电能力提升约31%；R_rec从0.42升到0.55，则说明恢复速度提升了约30%，两者需要分开汇报才不糊。

另外不要忽略performance_curve.py里先算出的那条“无策略基线曲线”，所有指标增量都相对它计算。基线定义方式直接决定后续遗传算法的搜索方向，这一步看似不起眼，实际是整个评价体系的地基。

3. 核心算法实现：台风风场、脆弱性曲线与故障场景采样

这一章直接进入代码层。项目中真正影响结果可信度的是三个算法：台风风场模型、元件脆弱性曲线和时序蒙特卡洛采样。前两个决定“故障概率从哪来”，第三个决定“概率如何变成系统性能曲线”，一环扣一环。

3.1 台风风场模型：用梯度风方程把中心参数展开成全网风速

模型的输入是台风路径序列：每个时刻的台风中心经纬度、中心气压、最大风速和最大风速半径。输出是一张覆盖电网节点的风速网格。类封装的梯度风方程是工程里最常用的Holland风场模型写法：

# models/typhoon_model.py import numpy as np class HollandTyphoon: def __init__(self, vmax, rmax, b_param, lat_c, lon_c, pn=1013.0, pc=950.0): self.vmax = vmax # 台风最大风速 m/s self.rmax = rmax # 最大风速半径 km self.b_param = b_param # 气压径向指数，典型值1.0~2.5 self.lat_c = lat_c # 台风中心纬度 self.lon_c = lon_c self.pn = pn # 环境气压 hPa self.pc = pc # 中心气压 hPa def wind_speed(self, lat_grid, lon_grid): omega = 7.292e-5 rho = 1.15 f = 2 * omega * np.sin(np.radians(self.lat_c)) dlat = (lat_grid - self.lat_c) * 111.0 dlon = (lon_grid - self.lon_c) * 111.0 * np.cos(np.radians(self.lat_c)) r_km = np.maximum(np.sqrt(dlat ** 2 + dlon ** 2), 1.0) r_m = r_km * 1000.0 ratio = (self.rmax / r_km) ** self.b_param exp_term = np.exp(-ratio) pressure_term = (self.b_param / rho) * (self.pn - self.pc) * 100.0 * ratio * exp_term coriolis_term = (r_m * abs(f) / 2.0) ** 2 v = np.sqrt(pressure_term + coriolis_term) - abs(r_m * f) / 2.0 return np.maximum(v, 0.0)

这段代码的物理含义要拆开看：pressure_term是气压梯度力项，台风内外气压差越大、离最大风速半径越近，这项越大；coriolis_term是地球自转的科里奥利力修正，在中低纬度台风里相对小，但到高纬度就不可忽略。最后减去abs(r_m * f) / 2是梯度风方程里的平衡项，不加这一项，风速会系统性偏高。

参数调整经验：b_param直接决定风廓线形状，取1.5时风速剖面比较陡，取2.5时衰减变快。rmax如果拿不到实测，可以用最大风速和中心气压差做拟合估算。风场模型最容易被忽略的是风向——计算线路故障时风速要先投影成垂直于线路的分量，再进脆弱性曲线，否则结果偏乐观。

3.2 元件脆弱性曲线：风速到故障概率的映射

脆弱性曲线是输电线路、绝缘子、塔材这些元件在风载荷下的失效概率函数。项目中使用修正指数形式，支持风向投影修正：

# models/fragility.py import numpy as np def p_failure(v, v_crit, k=2.0, wind_dir=None, line_angle=None): """ 计算元件在风速v下的故障概率。 v_crit: 临界失效风速，通常取线路设计风速 k: 形状参数，控制概率上升的陡峭程度 """ v0 = 0.5 * v_crit if v <= v0: return 0.0 if wind_dir is not None and line_angle is not None: delta = np.radians(wind_dir - line_angle) v_eff = v * abs(np.sin(delta)) else: v_eff = v p = 1.0 - np.exp(-((v_eff / v_crit) ** k)) return float(np.clip(p, 0.0, 1.0))

这个函数最容易被误用的是v_crit取值。设计风速不等于破坏风速，线路设计风速通常是按30年或50年一遇最大风速取的，设计风速下故障概率远小于1。代码默认把设计风速当成临界值，再用k=2的形状参数让概率曲线从0.5倍设计风速开始爬升。如果换不同的k，可以模拟“旧线路更脆、新线路更钝”的个体差异。

风向投影这行“v * abs(sin(delta))”是从一线项目里总结出来的，本质上风对导线的有效压力只取垂直方向分量。如果风沿线路走向吹，导线受力反而小。这在台风场景里影响很大，因为台风过境时风向随时间旋转，不等效成垂直分量，线路故障概率会被明显高估。

提示：脆弱性曲线的k值不要一次调得太狠。把k从2.0调到3.0，故障概率在临界风速附近会从“缓慢爬升”变成“悬崖式跳变”，可能导致后续优化方案全部集中到极少数线路上。

3.3 时序蒙特卡洛模拟：故障序列如何聚合成系统性能曲线

单条线路的故障概率有了，接下来要回答系统层面的问题：这些线路不同时刻故障、不同速度恢复，系统可用容量怎么随时间变？项目用的是时序蒙特卡洛，核心思想是对故障时刻和修复时长做随机抽样，重复上千次后取均值：

# simulation/monte_carlo.py import numpy as np from models.fragility import p_failure def simulate_performance_curve(network, wind_speed_at_lines, horizon_days=7.0, time_step_h=1.0, rng=None): if rng is None: rng = np.random.default_rng() n_steps = int(horizon_days * 24.0 / time_step_h) perf_matrix = np.zeros((n_steps,)) # 1) 对每条线路采样故障时刻 fail_time = {} for lid, v in wind_speed_at_lines.items(): p = p_failure(v, network.lines[lid].v_crit) if rng.random() < p: # 故障时刻集中在灾害峰值到达前后，用三角分布模拟 fail_time[lid] = rng.triangular(left=0.1, mode=0.4, right=1.5) # 2) 沿时间轴推进，重构系统状态 for i in range(n_steps): t = i * time_step_h / 24.0 restored = set() for lid, ft in fail_time.items(): repair_days = network.lines[lid].repair_hours / 24.0 if t >= ft + repair_days: restored.add(lid) failed_links = set(fail_time.keys()) - restored perf_matrix[i] = network.evaluate_supply(failed_links) return perf_matrix

这个函数的三个要点：故障时刻用三角分布模拟“灾害峰值前后集中跳闸”；修复时长直接取线路属性，每条线不同；每个时间点的系统容量由连通性函数计算。evaluate_supply是网络模块的方法，实质是遍历负荷节点，检查它是否仍与至少一个电源节点存在连通路径。

主流程里跑蒙特卡洛时，要让外层调用这个函数数千次，再对性能曲线取期望。这里有一个血泪经验：样本量太小时曲线波动很大，5000到10000次之间比较稳定，再往上边际收益就很低了。还有一个容易翻车的地方是rng没有传seed，导致结果不可复现。项目的主入口统一创建rng实例并传入，就是为了让同一份数据能复现出完全一致的曲线。

4. 韧性提升策略优化：遗传算法如何组合加固、储能与孤岛方案

评估结果出来之后，项目进入最核心的环节：在给定的投资预算下，找出性价比最高的韧性提升方案。这个问题的复杂之处在于决策空间是离散和连续混合的——线路加固是0/1决策，储能容量是连续变量，再加上孤岛运行策略，指望穷举不现实。项目用遗传算法做全局搜索，虽然不如数学规划方法有最优性保证，但胜在灵活，改约束和加策略都容易。

4.1 策略池设计：三类可叠加的韧性提升手段

strategy_pool.py里定义了三种策略，它们可以单独生效也可以叠加：

• 线路加固：把脆弱性曲线的v_crit上调一定比例，代价是一次性建设成本。本质上是用钱换故障概率下降，是最直观的手段。
• 储能配置：在候选节点上配置一定容量的储能，灾害期间可孤岛运行给重要负荷供电。储能的价值是提供“恢复期间的临时电源”，代码里表现为evaluate_supply时，储能节点被视作额外的电源节点。
• 孤岛运行：系统解列后，允许部分区域主动脱离主网以保核心负荷。这个策略会限制故障扩散范围，代价是需要投资改造开关设备。

策略池不是死的。往上加过“移动发电车预置”和“可中断负荷优先级”也能走通，只需要在strategy_pool里注册新策略、在评估函数里增加对应逻辑，遗传算法框架本身不需要动。

4.2 遗传算法求解：编码、适应度与约束处理

遗传算法的编码设计直接决定搜索效率。项目采用混合编码：前n_lines位是0/1的加固掩码，中间k位是储能容量的连续值，最后一位是孤岛开关：

# optimization/genetic_algorithm.py import numpy as np class ResilienceGA: def __init__(self, network, scenario_pool, budget, rng): self.network = network self.scenario_pool = scenario_pool self.budget = budget self.rng = rng self.n_lines = network.n_lines self.n_ess = len(network.ess_candidates) self.dim = self.n_lines + self.n_ess + 1 def encode(self): ind = np.zeros(self.dim) ind[:self.n_lines] = self.rng.integers(0, 2, self.n_lines) ind[self.n_lines:self.n_lines + self.n_ess] = ( self.rng.random(self.n_ess) * self.network.ess_capacity_max) ind[-1] = self.rng.integers(0, 2) return ind def fitness(self, ind): line_mask = ind[:self.n_lines] > 0.5 ess_cap = ind[self.n_lines:self.n_lines + self.n_ess] island_on = ind[-1] > 0.5 cost = np.sum(line_mask * self.network.line_harden_cost) cost += np.sum(ess_cap * self.network.ess_unit_cost) if island_on: cost += self.network.island_upgrade_cost if cost > self.budget: return 0.0 ri_list = [] for sc in self.scenario_pool: ri = self.network.simulate_with_strategy(sc, line_mask, ess_cap, island_on) ri_list.append(ri) return float(np.mean(ri_list))

适应度函数里有三个关键处理：预算超限的个体直接给0分，这比罚函数更好调参；韧性指标在多个灾害场景上取平均，避免方案只在单一场景下表现好；最后返回的是“施加策略后的平均韧性值”而不是相对基线的增量，这样遗传算法会自然倾向于选出绝对表现最好的组合。

选择、交叉、变异三个算子在项目里用的是经典实现：锦标赛选择加两点交叉，变异概率取0.08，逐代保留精英个体。连续基因段变异时使用高斯扰动，离散基因段使用位翻转。种群60个体会让单代评估耗时可控，150代后基本能稳定收敛。

提示：场景池不要只放单一强度的灾害场景。只用最强台风场景优化出来的结果，往往在日常弱风环境下投资回报极差，放两个差异明显的场景能显著提升方案的泛化性。

4.3 优化结果解读：方案对比与投资效率

入口脚本跑完遗传算法后，会输出最优个体，同时自动把“无策略基线”和“最优策略”两套方案的韧性曲线画在同一张图上，并列出三项指标对比表。

这张对比表很能说明问题：全部线路加固的R_abs最高，但R_int反而不如GA方案，因为钱全花在抗灾上，恢复环节没有投入，储能和孤岛策略带来的“灾后快速复电”能力严重缺失。GA方案把预算分散到三类策略上，综合韧性反而更好，这就是多策略组合的价值——单点投入边际效益递减，组合策略才能拉开差距。

5. 避坑指南：韧性仿真项目里最常见的五个问题

这个项目前后跑过三遍，每一次都在不同的环节踩坑。下面五条是最典型的，供排查时参考。

5.1 蒙特卡洛曲线不收敛，每次运行结果都不一样

现象：入口脚本连续跑两次，韧性指标R_int波动超过5%，甚至出现同一条线路在一次运行中故障、下一次完全正常的现象。

原因：样本量不足，或者rng没有固定种子。很多人在主循环里直接调用全局随机函数，每轮隐含的随机源不同，结果自然不可复现。

解决：样本量提到5000以上，劣质样本宁可砍掉也不要凑数。在主函数里创建一次rng实例并显式传seed，所有采样都走这一个实例。如果内存吃紧，先用2000样本定位故障线路区间，再在区间内提高样本量到10000。改完后再跑两次，应该拿到完全一致的曲线。

5.2 风速计算值比气象站实测高出一大截

现象：台风过境时，模型算出的某节点风速超过40米每秒，但当地气象站记录只有32米每秒。

原因：网格分辨率太粗，节点坐标正好落在最大风速半径的高风速带；或者气压径向指数取得偏小，风速剖面衰减不够快。另外气象站记录的是10分钟平均风速，模型算的是瞬时梯度风，两者天然存在差值。

解决：先检查节点与台风路径的最短距离是否落在最大风速半径附近，再看b_param是否在1.2到2.0之间。与实测比对时允许15%到20%的偏差，超过这个范围就启动项目里的实测修正接口，按站点距离插值做比例修正。

5.3 遗传算法几十代就收敛，解全部扎堆在少数线路上

现象：遗传算法在50代左右停止改进，输出方案里加固的永远是同一条或两条线路，其他策略维度全是0。

原因：适应度函数里韧性评估的随机噪声太大，方案间的真实差异被噪声淹没；或者锦标赛选择的压力过大，种群多样性过早丢失。

解决：先把蒙特卡洛样本量提上去，确保单次评估稳定，再检查变异概率是否低于0.05，过低容易早熟。把锦标赛k值从3降到1.5可以缓解多样性丢失。再不行就给加固掩码加一个汉明距离的多样性奖励，种群内个体太像时做额外惩罚。

5.4 韧性曲线恢复段出现“阶梯状”跳跃

现象：R_rec指标突然变得很高，但打开曲线看到恢复段是一级一级跳上去的，不是平滑爬升。

原因：时间步长设置为1小时，而修复时长是按天计的，多回线路同时复电导致性能曲线出现明显跳跃，这是离散化带来的假象，不是真实的恢复过程。

解决：时间步长改成15分钟或30分钟，修复时长也按小时细分。同时把evaluate_supply改成按可用容量比例输出，而不是只有0和1两种状态。判断是不是假象很简单：把恢复段放大看，如果每次跳变都对齐在整数小时点上，基本都是时间步长太粗。

5.5 换了自己的电网数据后，优化输出方案全部不可行

现象：把30节点测试数据换成实际配网数据后，遗传算法输出的最优个体要么超预算，要么韧性指标异常低。

原因：实际配网的线路长度、修复时间、负荷分布差异太大，默认的加固成本和储能单价还是测试算例的量级。另外孤岛策略在联络开关不足的配网里可能根本没有实现条件。

解决：先跑通数据校验脚本，确认每条线路的v_crit、repair_hours都在合理区间；然后按实际工程造价更新line_harden_cost和ess_unit_cost；最后把孤岛升级成本设为0并禁掉孤岛位，等前两种策略调通再逐步放开。还要注意联络开关的容量约束——即使拓扑连通，馈线过载也会触发保护动作，需要在evaluate_supply里增加容量校验。

6. 二次开发指南：把韧性评估框架接入你自己的电网与灾害数据

把这套框架改造成自己的工具，核心是三个步骤：换数据、换模型、换求解。

第一步，换数据。数据目录下的CSV是标准表格格式，把母线表和线路表替换成自己的拓扑数据即可。关键要保证线路表里有v_crit、repair_hours、harden_cost这三列，它们是脆弱性曲线、恢复仿真和遗传算法三个模块的公共依赖。负荷数据如果没有时序曲线，可以先用固定负荷比例填充，不影响框架跑通。

第二步，换灾害模型。如果研究的是冰灾而不是台风，把台风模型替换成冻雨载荷模型即可。新模型只需要实现同一个风速接口，返回每个网格点的载荷强度，后面的脆弱性曲线和蒙特卡洛仿真完全不用动。在实际改造里就是替换掉风场计算函数体，加一个覆冰厚度到等效载荷的换算，框架照常运行。

第三步，换求解器。如果预算充足且场景规模大，可以把遗传算法换成商业求解器做混合整数规划。遗传算法的输出接口是图数据结构，只需要保留适应度函数作为目标函数，把决策变量改写成混合整数变量即可。这一步收益最明显但也最费工，建议先用遗传算法跑通对比表，确认策略方向和预算规模合理，再考虑精求。

做完这三个步骤后，强烈建议走一遍验证流程：先跑基线场景，确认曲线和指标与历史灾损数据在数量级上一致；再手动把全部线路加固设为1，观察韧性指标是否单调上升；最后才信任遗传算法的输出。第一个改造版本就是跳过了全加固单调校验这一步，直接拿优化结果去汇报，结果方案里有一条线路加固后韧性反而下降，被问得哑口无言。从那以后每次改动框架都强制走一遍基线和单调性校验，确认模型行为符合物理直觉才继续往下做。希望帮到你。

本文还有配套的精品资源，点击获取